딥 러닝 모델은 검사관의 자가 학습 능력과 컴퓨터 시스템의 속도 및 일관성을 결합하여 머신이 갖고 있는 본질적인 한계를

주어진 환경에서 바코드 사용이 불가한 경우 제조업체는 특정한 식별, 카운팅, 분류 등의 애플리케이션을 육안 검사로만 해야

합니다. 외관의 사소한 변동은 자동 검사 시스템으로 하기엔 너무 복잡합니다. 사전 조립을 위해 여러 색상의 트레이로 전달되는

점화 플러그가 이 경우에 해당합니다. 검사 시스템은 여러 색상의 점화 플러그를 정상적으로 식별하고 카운팅하고 분류하는

동시에 트레이의 배경색은 무시해야 합니다. 이 정보는 조립을 위해 비전 가이드 로봇에 전송됩니다.

코그넥스 ViDi는 크기, 모양과 표면 특징을 학습하여 점화 플러그의 독특한 특징을 일반화합니다. ViDi 블루-위치 식별 툴의 경우

엔지니어는 트레이 이미지를 사용하여 각 점화 플러그를 식별하고 카운팅하도록 소프트웨어를 학습합니다. ViDi 그린-분류 툴은

딥러닝 기반 모델을 사용하여 점화 플러그를 로봇과 관련된 즉, 색상으로 분류합니다.

주택 성형 검사

 구성 요서 수준에서도 포장 및 하우징 수준에서든 부품이 다를 경우 외관 검사가 어려울 수 있습니다. 일부 외관상의

결함은 기능에 영향을 주지 않지만 완성된 품질과 소비자 인식에 영향을 주지만, 다른 사소한 결함은 허용됩니다.

이러한 복잡성에 대한 검사를 규칙 기반 알고리즘으로 프로그래밍하려면 복잡한 결함 라이브러리가 필요하고 인적 검사는

더 유연하지만 너무 느리고 신뢰할 수 없으며 일관성이 없습니다.

엔지니어는 감독 모드에서 결함 감지 도구를 사용하여 Cognex Deep Learning을 훈련하여 중요하지 않은 이상 및 변형을

허용하면서 스크래치와 같은 특정 결함을 검색할 수 있습니다. 이 도구는 대비가 낮거나 캡처가 잘 되지 않는 이미지

작업에 최적화되어 있습니다. 소프트웨어는 런타임 동안 심각한 스크래치가 있는 이미지를 결함으로 특성화하여 사소한

외관 결점을 인식하고 무시하는 방법을 배웠습니다.  

IC 리드 화장품 검사

머신 비전은 반도체 제조 공정 전반에 걸쳐 품질을 엄격하게 모니터링하고 결함을 포착하는 데 사용됩니다. 칩은 오류에 대한

허용오차가 낮아 가장 표면적인 결함이라도 거부의 원이이 됩니다. 잠재적인 결함 유형이 너무 많기 때문에 검사를 규칙 기반

알고리즘으로 프로그래밍하는 것은 비효율적입니다. 딥러닝 비전 소프트웨어는 광범위한 결함 라이브러리를 사용하지 않고도

반도체 결함을 제한하고 수율을 개선하는데 도움이 될 수 있습니다.

모든 결함을 명시 적으로 검색하는 것은 너무 복잡하고 시간이 많이 걸립니다. Cognex Deep Learning은 교육 없이도 모든

비정상적인 특징을 식별할 수 있는 간단한 솔루션을 제공합니다. 대신 엔지니어는 결함 감지 도구를 사용하여 감독되지 않은

모드에서 "양호한" 이미지 샘플에 대해 소프트웨어를 교육하고, Cognex Deep Learning은 칩 리드 및 핀의 정상적인 모양과

위치를 학습하고 결함이 있는 모든 기능을 특성화합니다.  

실린더 검사

실린더 블록은 자동차 엔진의 기본 요소이고, 커다란 실린더는 왕복 엔진의 주요 작동부이며, 압축된 상태에서 위아래로

펌핑되는 피스톤을 고정하도록 설계되어 있습니다. 실린더는 보통 주조 금속으로 제작되며 간혹 윤활 코팅된 라인이나

'슬리브'가 포함되기도 합니다. 실린더 벽은 피스톤의 압축 링과 접촉하므로 견고해야 합니다.

실린더의 반사성 표면에서 발생하는 반사광이나 반짝임 또한 검사를 복잡하게 만듭니다. 특징적 모양과 위치의 수많은

사소한 변동과 반짝임, 흐릿함을 허용하는 자동 검사를 프로그래밍하기는 상당히 어려운 일입니다.

코그넥스 ViDi는 기공을 빠르게 식별합니다. 엔지니어는 몇 분 안에 실린더의 대표적인 '정상' 및 '불량' 이미지로 소프트웨어를

학습할 수 있으며, 관심 영역을 마스킹 필터로 정하여 샤프트 내의 네거티브 스페이스에 반작이는 디스크를 제거할 수 있습니다.

검사 담당자는 레드-분석 툴을 지도학습 모드로 사용하여 '불량' 라벨이 붙은 이미지의 기공에 주석을 달고 특징점의 크기,

스케일, 종횡비 및 전단 등의 매개변수를 조정하여 모델이 모양의 변동을 감안하도록 지원합니다. 딥 러닝 기반 소프트웨어는

런 타임 도중 각 이미지를 밀리초 단위 내로 검사하여 기공이 있는 이미지를 결함으로, 나머지를 정상으로 구별합니다.  

USB 커넥터 검사

스마트 폰에서 데이터를 충전하고 전송하려면 USB 커넥터가 필요합니다. 이 커넥터는 일반적으로 OEM 제품이며 설치하기 전에

모든면에서 검사를 받아야 하고, 전원 및 데이터 접점, 차폐 및 일부 형태의 마운드 커넥터로 구성됩니다. 이러한 USB 커넥터는

화상, 미 성형, 먼지, 스크래치 및 이동을 포함한 다양한 결함을 모든 면에서 보여줄 수 있습니다. 커넥터의 작동 끝 부분에서 거의 

눈에 띄지 않는 작은 결함은 케이블이 얼마나 잘 연결되는지, 얼마나 단단히 고정되어 있는지, 다시 제거하기 쉬운 지에 큰 영향을

미칠 수 있습니다. 이러한 커넥터는 저화기의 수명 동안 작동해야 합니다.

 Cognex Deep Learning의 결함 감지 도구는 두 가지 모두를 포함하는 이미지 데이터 세트를 학습합니다. 기능적으로 중요한

외모 변화와 기능적 영향이 없는 외모의 변화와 구별하는 법을 배웁니다. 훈련 과정에서 허용 가능한 미용적 이상을 무시할 수

있으므로 훈련이 기능을 방해 할 수 있는 결함에만 집중하여 과정을 더 간단하고 빠르게 만듭니다. 라인에 배치할 때 조명 및

부품 표시는 가능한 한 많은 결함을 포착하는 데 중요합니다.  

커패시터 분류

부품이 각각 약간의 시각적인 차이가 있는 여러 등급에 속하는 경우 전자 부품을 분류하는 것이 특히 어려울 수 있습니다.

커패시터는 제조업체 및 사양에 따라 유형 (세라믹 및 전기)과 크기 및 색상이 다양합니다. 동일한 유형 내에서도 패턴에

혼란스러운 변형이 있을 수 있습니다. 원통형 모양과 조명은 훨씬 더 복잡해질 수 있고, VisionPro ViDi는 단일 이미지

내에서 여러 분류를 자동화하는 딥 러닝 기반 대안을 제공합니다.

엔지니어는 결함 감지 도구를 사용하여 금 및 전기 커패시터가 모두 "양호" 부품으로 분류되는 주석이 달린 이미지 세트에

대해 감독 모드에서 소프트웨어를 교육합니다. 런타임 동안 모델은 모든 전기 및 금 커패시터를 하나의 유형으로 추출하고

분할합니다. 검사의 두 번째 부분에서 분류 도구는 각 커패시터의 속성을 학습하는 동시에 동일한 유형 내의 변동을

허용하지만, 이러한 방식으로 시각적으로 비슷하게 보이지만 색상과 표시로 서로 다른 전기 커패시터를 구별할 수 있습니다.

훈련 중에 개발 된 모델을 기반으로 Cognex Deep Learning은 런타임 동안 단일 이미지 내에서 커패시터를 정확하게 분류합니다. 

사전 조립 삽입 확인 및 배터리 모듈 미용 검사

사전 조립 삽입 검사 중에는 덮개를 조립하기 전에 전화기의 내용물에 결함이 있는지 검사합니다. 배터리가 하우징에 들어가면

손상될 수 있습니다. 휴대폰 어셈블리의 혼란스럽고 바쁜 배경으로 인해 배터리를 찾고 검사하기가 어렵습니다. 딥 러닝 비전

소프트웨어는 배터리 금속 표면의 결함에 대한 자동 감지 및 특성화를 단순화합니다.

Cognex Deep Learning을 통해 제조업체는 휴대폰이 최종 조립되기 전에 배터리의 무결성을 확인하고 외관 및 기능 이상을

구분할 수 있습니다. 엔지니어는 감독 모드에서 결함 감지 도구를 사용하여 "양호한" 이미지와 레이블이 있는 결함이 있는

"나쁜" 이미지에 대해 소프트웨어를 교육할 수 있습니다. 이 도구는 이러한 이미지에서 자연스러운 허용 가능한 변형을 포함하여

배터리의 정상적인 모양을 학습할 수 있습니다. 훈련 된 모델이 기능적 이상이 있는 모든 이미지를 올바르게 감지하고 분할 때까지

훈련 단계 및 검증 기간 동안 매개 변수를 지속적으로 조정할 수 있습니다. 일단 배치되면 결함 감지 도구가 결함이 있는 배터리를

식별하고 거부합니다.  

카메라 모듈 표면 검사

 카메라 모듈을 모바일 장치에 설치하기 전에 표면을 검사하여 렌즈에 이물질, 긁힘, 얼룩 또는 먼지가 없는지 확인해야합니다.

다른 결함은 모앙이 크게 다르고, 지문의 얼룩은 렌즈 코팅 아래에 갇힌 먼지 입자와는 상당히 다르며 유리 표면의 흠집처럼

보이지 않습니다. 또한 렌즈의 반 사면과 렌즈 아래 부분의 굴절 된 이미지가 원하지 않는 이상으로 나타날 수 있습니다.

사실은 아니지만, 이러한 배경 이상을 실제 결함과 구별하려면 종종 느리고 비용이 많이 들고 일관성이 없는 수동 검사가

필요합니다. 그러나 기존의 규칙 기반 머신 비전 시스템은 이러한 광범위한 결함을 일관되게 식별하도록 쉽게 프로그래밍 할 수

없습니다.

Cognex Deep Learning의 결함 감지 도구는 일반적인 부품의 전체 변형을 학습하기 위해 다양한 무결점 렌즈에 대해 교육을

받았습니다. 비 감독 모드에서는 일련의 렌즈를 스캔하고 허용 가능한 범위를 벗어난 모든 항목에 플래그를 지정하는 동시에 오탐을

최소화합니다. 렌즈 결함은 먼지 및 기타 입자에 의한 오염, 기름이나 지문으로 인한 얼룩, 내부 부품의 정렬 불량과 같은 특정

원인으로 인한 특성을 갖는 결향이 있습니다. 특정 유형의 스크래치는 기계가 잘못 정렬되어 발생하거나 제조 공정에서 공기

흐름이 좋지 않아 섬유가 증착 될 수 있습니다. 문제의 근본 원인을 식별함으로써 제조업체는 신속하게 수정 조치를 취하고 불량

부품 생성을 최소화 할 수 있습니다.  

조립 된 PCB 구성 요소의 OCR

PCB에 조립 된 대부분의 칩에는 생산 과정을 추적하기 위해 일련의 영숫자 문자가 표시되어 있습니다. 반사광은 저 대비 이미저를

생성하여 머신 비전 시스템이 문자를 찾고 인식하기 어렵게 만듭니다. 전자 부품 및 모듈의 문자를 성공적으로 디코딩하려면

광학 문자 인식(OCR) 시스템이 반사 표면은 물론 변형, 왜곡 및 잘못 에칭 된 문자를 허용해야합니다.

Cognex Deep Learning을 사용하면 이미지 형성 문제에도 불구하고 변형 된 문자를 쉽게 읽을 수 있습니다. OCR에 대한 이 딥 러닝

기반 접근 방식은 과도한 라벨링을 줄여 교육 및 개발 중 시간을 절약하고 어려운 상황에서 문자를 성공적으로 읽습니다. 이 소프트웨어는 엔지니어가 관심 영역과 문자 크기를 설정하기만하면 됩니다. 일단 설정되면 도구의 사전 학습 된 글꼴 라이브러리가 학습없이 문자를 해독하고 문자열을 읽습니다. 문자를 읽기가 매우 어려운 상황에서는 변형 된 문자를 사용하여 소프트웨어를 직접 재교육

할 수 있습니다.

성형 결함 분석

스마트 폰을 완전히 조립한 후 포장을 진행하기 전에 하우징과 커버 유리의 여러 위치에 있을 수 있는 긁힘, 균열, 칩,

움푹 들어간 곳, 정렬 불량, 변색 및 기타 결함이 있는지 검사해야합니다. 이러한 결함은 일반적으로 기능적이지 않지만 제품 외관에

부정적인 영향을 미칩니다. 기존의 규칙 기반 비전 애플리케이션은 미리 정의된 영역의 긁힘 또는 화면 모서리에 나타나는 경향이

있는 균열과 같은 다양한 일반적인 결함에 대해 교육할 수 있지만 가능한 결함의 범위는 매우 커서 이디서나 나타날 수 있습니다.

하우징의 변색이나 로봇팔의 충격으로 인한 움푹 들어간 부분과 같이 비교적 드물게 발생하는 결함도 포장 전에 잡아야 합니다.

전화기가 생산되는 속도를 감안할 때 사람의 검사는 효율성이 낮고 일관성이 없습니다.

Cognex 딥 러닝은 허용할 수 없는 광범위한 결함을 보여주는 이미지 세트와 허용 가능한 범위 내에있는 외관상의 변화를 보여주는

이미지 세트를 학습하고 이를 분류하는 방법을 학습합니다. 교육 단계에서 매개 변수를 조정하여 승인 및 거부 기준이 모든

사례에 대한 시장 요구 사항을 충족하는지 확인할 수 있습니다. 훈련된 이미지 분석 도구는 Cognex Deep Learning과 결합 된 특수 조명 및 적절한 부품 표시를 활용하여 화면, 밴드, 뒷면을 검사하고 스마트 폰 어디에서나 함몰, 스크래치 및 변색의 조합을

감지합니다. 이러한 절처하고 정확한 검사를 통해 외관상 결함이 없는 제품 만 포장 단계로 이동합니다.

트림 최종 조립 검증

최종 조립 검증에 관련된 다양한 트림 구성품은 기존 머신 비전 검사로는 수행하기 어려울 정도로 복잡합니다. 검사원은 와이어

밴드와 금속 하우징 등의 모든 부품이 존재하고 올바르게 조립디었는지 확인합니다. 미묘한 조명대비로 인해 밴드가 올바른

하우징에 있는지 쉽게 판단하게 어렵습니다. 검사원은 와이어 밴드를 능숙하게 식별할 수 있지만 속도 및 효율성은 떨어집니다.

코그넥스 ViDi는 딥 러닝 기반 이미지 분석을 사용하여 트림의 완성된 모습을 학습합니다. 또한 누락된 밴드를 검사관처럼 정확하게

식별하면서도 자동화 시스템의 속도와 안정성은 유지된다는 차이점이 있습니다.

검사 담당자는 지도 학습 모드의 ViDi 레드-분석 툴로 와이어가 누락된 트림의 '불량' 이미지와 와이어가 있는 '정상' 이미지에 대해

시스템을 학습하여 온전한 트림의 참조 모델을 생성합니다. 코그넥스 ViDi는 이 모델을 사용하여 와이어 밴드가 누락된 트림

구성품을 이상 및 결함으로 식별하고 최종 검사 단계에서 불합격시킵니다.  

차대 번호(VIN) 검사

차대 번호(VIN)는 차량이 고유 식별자로 사용되는 코드이며 여러 문자로 구성되어 있습니다. 차대 번호에는 문자와 숫자가

포함되며, DPM이 금속판에 에칭 또는 기재되거나 스티커에 인쇄되어 있을 수 있습니다. 자동차 제조업체는 정상적인 이력관리를

위해 차대번호를 찾아 판독해야 합니다. 머신 비전으로 검사시 반사광, 도장색, 반짝임 등은 비전시스템으로 문자를 찾고

인식하는데 어려움을 유발합니다. 검사 시스템은 이미지 형성에 문제가 되는 반사성 표면을 용인하여 문자를 정상적으로 판독해야

합니다.

코그넥스 ViDi 블루-판독 툴을 사용하면 변형된 문잘르 쉽게 찾아 판독할 수 있습니다. 소프트웨어를 학습하기 위헤 엔지니어는 

대표적인 차대 번호 문자 모음이 들어있는 이미지의 관심 영역을 정의합니다. 블루-판독 툴의 사전 학습된 모든 문자 인식 기능은

반짝임과 대비로 인한 불분명한 문자까지 인식해 냅니다. 학습 및 검증 동안 소프트웨어의 모델이 모든 문자를 정확하게 식별할

때까지 검사 담당자가 누락된 문자만 다시 라벨링하면 됩니다.  

모바일 장치 스피커 메시 검사

스피커 메시는 천공 된 금속 조각으로, 휴대폰의 음향 모듈을 먼지와 손상으로부터 보호하는 동시에 사운드에 최소한의 영향을

미칩니다. 이 메시는 최종 사용자에게 표시되므로 외관 손상도 감지해야합니다. 메시는 3차원 텍스처 부분이기 때문에 반사 및

하이라이트의 복잡한 조명 패턴을 만듭니다. 메시를 조금만 기울여도 패턴이 완전히 바뀔 수 있습니다. 그리고 외부 표면 또는

와이어 사이의 간격에 있을 수 있지만, 변형이으로 인해 가능한 모든 경우를 처리하기 위해 기존 머신 비전을 프로그래밍하기가

어렵습니다.

스피커 메시 결함을 식별하기 위해 Cognex Deep Learning의 결함 감지 도구는 일반적인 조명 변형 및 허용 가능한 외관 결함

수준을 포함하여 일반 부품의 전체 벼형을 학습하기 위해 다양한 스피커 메시에 대해 훈련되었습니다. 메시를 스캔할 때 허용

가능한 범위를 벗어난 모든 것을 분석하고 플래그를 지정하면서 오탐을 최소화합니다. Cognex Deep Learning은 정밀 정렬 작업과

스피커 메시 치수 측정에 가장 적합한 기존 머신 비전과 함께 작동할 수 있습니다. 딥 러닝과 기존 비전 도구의 조합은 훨씬 더

빠른 속도로 수동 검사를 훨씬 능가합니다. 교대조와 생산 라인에서 일관성을 유지하면서 그렇게 합니다.

피스톤 링 검사

피스톤의 압축 링은 왕복 엔진에서 다양한 역할을 수행하며, 연소실을 밀폐시키고 오일을 균일하게 소모하도록 합니다. 압축 링의

결함은 피스톤의 반사성 금속 표면 때문에 감지하기 어렵습니다. 피스톤의 모양은 원통형이라 간혹 흐릿하고 초점이 맞지 않는

이미지를 만들어 냅니다. 금속 표면 텍스처의 정상 범위 내의 변형은 제조 공정의 일부로 받아들여지고 있으며, 녹슨 자국과

흰색 부분, 심지어는 균열과 틈의 변동은 검사에서 통과됩니다. 하지만 긴 흠집은 피스톤 성능에 영향을 미치고 실린더의 압축도를

위협하는 심각한 결함입니다. 검사 시스템은 압축 링 표면의 정상 범위 내의 변형 및 사소한 이상 요소는 용인하지만 동시에 긴 

흠집은 빼놓지 않고 식별할 수 있어야 합니다.

코그넥스 ViDi 제품은 사소한 변형을 판단할 수 있는 인간의 능력에 자동 시스템의 안정성, 일관성과 속도를 결합한 효과적인

검사 솔루션을 제공합니다. 그리고 정상 범위 내의 변동, 녹슨 자국과 사소한 균열 등의 허용 가능한 결함을 포함한 '정상' 이미지에

주석을 답니다. 이러한 이미질르 토대로 코그넥스 ViDi는 피스톤의 자연스런 형태와 표면 텍스처는 물론 일반적인 흠집의 모습까지

학습합니다. 검증 테스트 도중에는 이미지를 학습 세트에 더 추가하여 시스템을 최적화할 수 있고, 학습 단계와 검증 기간 동안에는

학습된 모델이 긴 흠집이 있는 모든 이미지를 정확하게 감지하고 분류할 때까지 매개변수를 계속적으로 조정할 수 있습니다.

  솔더 저항 검사

마우스 다이오드와 같은 부품을 전기적 연결에 간섭하지 않고 장착하려면 솔더 레지스트르르 베어 보드에 깨끗하게 적용해야

합니다. 솔더의 작은 결함조차도 배선 파손, 단락 및 기타 전기 문제를 일으킬 수 있습니다. 이러한 결함은 반사광으로 인해 크기,

모양이 다양합니다. 이러한 조건에서 상당한 부품 변동을 허용하는 자동 검사를 프로그래밍하는 것은 어렵습니다.

Cognex Deep Leaning은 다른 방법이 동일한 조명 조건에서 검사하기 어려울 때 다이오드의 솔더 레지스트를 신속하게 식별합니다.

런타임 동안 도구 고정물과 위치는 반사광의 변화에도 불구하고 PCB에 저항합니다. 이러한 이미지를 기반으로 코그넥스 딥러닝은

마우스 다이오드의 자연스러운 질감과 솔더의 정상적인 모양을 학습합니다. 추가 예제를 반영하고 모델을 최적화하기 위해 유효성

검사 테스트 중에 학습 세트에 추가 이미지를 추가 할 수 있습니다. 교육 및 검증 단계에서 다양한 매개 변수를 조정하여 결함있는

솔더가 있는 모든 다이오드를 올바르게 감지하기 위해 모양 변화를 설명할 수 있습니다.

배터리 버튼 검사

레이저 또는 저항 용접과 같은 저열 방법은 배터리 내용물의 손상을 방지하기 위해 일반적으로 사용되지만 캡 씰을 고정하려면

정밀도가 필요합니다. 오류에 대한 여백이 거의 없습니다. 결함으로 인해 전해질이 누출되고 성능이 저하될 수 있습니다. 두 가지

유형이 결함 모두 셀의 반사 표면에서 식별하기 어려울 수 있습니다. 이 모든 것이 기존 머신 비전으로 모든 결함을 정확하게

감지하기 어렵게 만듭니다. 긜고 이러한 배터리는 대량으로 생산되고 결함이 작고 발견하기 어렵기 때문에 수동 검사에 대해서도

비슷한 과제를 제시합니다.

배터리 용접 결함을 식별하기 위해 Cognex Deep Learning의 결함 감지 도구는 적절한 수준의 와관 결함을 포함하여 정상 부품의

전체 변형을 학습하기 위해 적절하게 밀봉 된 다양한 배터리에 대해 교육을 받았습니다. 배터리 캡을 스캔 할 때 허용 범위를

벗어나 용접을 분석하고 플래그를 지정하는 동시에 외관상의 결함으로 인한 오탐을 최소화합니다. Cognex DSMax를 타사

소프트웨어 없이도 검사 프로세스에 쉽게 통합 할 수 있습니다. Cognex Deep Learning과 DSMax는 함께 밀봉 핀과 그 용접에 대한

전체 검사를 제공하여 결함이 없고 용접되고 올바르게 배치되었는지 확인할 수 있습니다.  

스팟 용접 검사

견고한 전기 연결을 보장하려면 와이어를 서로 또는 터미널에 스폿 용접해야합니다. 용접은 서로 다른 두 금속을 함께 녹여 견고한

연결을 형성합니다. 제조업체는 다양한 전자 부품에 대한 많은 라인을 보유하는 경향이 있으며 모든 연결이 안전한지 확인해야

합니다. 스폿 용접은 모양, 위치, 색상, 반사율, 질감 및 표면 표시를 포함하여 모양이 다양하고 불균일하기 때문에 검사는

과잉이라고도하는 높은 오탐률을 가질 수 있습니다. 다양한 변형과 좋은 연결과 나쁜 연결을 구별하기가 어렵기 때문에 규칙 기반

머신 비전은 실용적이지 않습니다.

사용자는 정상적인 부품의 전체 변형을 학습하기 위해 적절하게 스폿 용접 된 다양한 연결에 대해 Cognex Deep Learning의 결함

감지 도구를 교육합니다. 도구가 스폿 용접을 스캔할 때 허용 범위를 벗어난 모든 것을 분석하고 플래그를 지정하는 동시에 오탐을

최쇠화합니다. Cognex Deep Learing의 분류 도구는 라벨이 지정된 다양한 용접 결함에 대해 교육하고 불량 형상, 블로우 홀, 균열,

화상 또는 오염과 같은 특정 결함 유형을 분류하는 방법을 학습할 수 있습니다. 그런 다음 이러한 분류 된 결함을 업스트림 공정

제어에 사용하여 시간 경과에 따른 결함을 최소화 할 수 있습니다.  

육안 검사의 장점

기존의 머신비전과 달리 인간은 성형 및 기능 측면의 미묘한 결점을 구분하고, 품질에 영향을 미칠 수 있는 부품 외형의 변동을

감지하는 데 능숙합니다. 정보를 처리하는 속도는 제한적이지만 인간은 기념화와 일반화라는 특별한 능력을 가지고 있습니다.

인간은 예시를 통해 학습하는 능력이 뛰어나며 이는 부품 간의 사소한 이상 현상을 감지할 때 매우 중요합니다. 따라서 복잡하고

구조화되지 않은 장면 특히 미묘한 결함과 예측 불가능한 결점의 정성적 해석이 필요한 경우에는 대부분 육안 검사가 최고의

선택입니다.

예를 들어 인간은 변형되었거나 판독이 어려운 문자, 복잡한 표면, 성형 결함을 다루는 경우에 정확성이 높습니다. 이러한 다수의

애플리케이션에서 복잡성을 감정할 때 인간이 머신보다 훨씬 뛰어납니다.  

배터리 탭 검사

 파우치 배터리 전극은 금속 탭으로 외부 회로에 연결됩니다. 이 금속 호일 탭은 다양한 금속으로 만들어지며 얇고 부드러우며 쉽게

손상될 수 있습니다. 일반적인 결함에는 스크래치, 범프, 구멍 및 먼지가 포함됩니다. 손상된 탭은 연결을 줄이거나 방해하므로

전극에 납땜 하기 전에 결함이 없어야합니다. 그러나 부적절한 납땜은 또한 화상, 타격 및 볼 누락과 같은 결함으로 이어집니다. 불량한 땜납은 연결성 및 성능 저하로 이어집니다.

탭 및 솔더 결함을 모두 식별하기 위해 Cognex Deep Learning의 결함 감지 도구는 허용 가능한 수준의 외관 결함을 포함하여 정상

부품의 전체 변형을 학습하기 위해 다양한 손상되지 않은 탭과 적절하게 솔더링 된 탭에 대해 교육을 받았습니다. 그런 다음

Cognex Deep Learning의 분류 도구는 라벨이 지정된 다양한 탭 및 탭 솔더 결함에 대해 학습하고 탭의 스크래치, 구멍 및 범프 또는

솔더에서 볼이 타거나 부딪히거나 누락 된 것과 같은 특정 결함 유형을 분류하는 방법을 배울 수 있습니다. 그런 다음 이러한 분류

된 결함을 업스트림 공정 제어에 사용하여 시간 경과에 따른 결함을 최소화 할 수 있습니다.  

씰링 핀 용접 검사

배터리 셀이 밀봉되면 캡의 작은 구멍을 통해 액체 전해질로 채워집니다. 충전이 완료되면 구멍을 밍봉 핀 또는 덮개 캡으로 덮은

다음 제자리에 용접하여 고정합니다. 밀봉 핀의 적절한 배치는 전통적으로 레이저 또는 기타 3D 변위 센서로 높이를 결정하여

확인되었습니다. 그러나 함몰, 화상, 핀홀 및 파손과 같은 용접 자체의 결함은 가능한 다양한 결함과 배터리 캡의 반사 배경으로

인해 기존 머신 비전을 통해 쉽게 감지되지 않습니다.

용접이 완료된 후 Cognex Deep Learning의 결함 감지 도구는 씰링 핀 용접에서 수많은 잠재적 결함을 식별할 수 있습니다.  딥 러닝

애플리케이션은 적절한 수준의 외관 결함, 조명 하이라이트 및 그림자를 포함하여 정상 부품의 전체 변형을 학습하기 위해 적절하게

밀봉 된 다양한 배터리에 대해 교육되었습니다. 이 도구는 레이블이 지정된 다양한 용접 및 배치 결함에 대해 교육을 받았으므로

올바르게 식별할 수 있습니다. 런타임시 분류 데이터는 감지 된 모든 유형의 결함에 대해 수정 조치를 업스트림하는 데 사용됩니다.

Cognex Deep Learning과 DSMax는 함께 밀봉 핀과 그 용접에 대한 전체 검사를 제공하여 결함이 없고 용접되고 올바르게

배치되었는지 확인할 수 있습니다.

조립 자동화를 위한 머신비전

사람이 공장 라인을 직접 관리하던 시절은 지났습니다. 오늘날에는 많은 머신이 제조, 조립 및 자재 관리 작업을 자동화하고 

있습니다. 정밀한 정렬 및 식별 알고리즘과 가이드 기능을 갖춘 머신비전 시스템 덕분에 수동으로는 제작할 수 없었던 최신 소형

구성품을 제조하는 일이 가능해졌습니다. 생산 라인의 머신비전 시스템은 분당 수백에서 수천 개의 부품을 안정적이고 반복적인

방식으로 검사할 수 있기 때문에 검사 능력 면에서 인간보다 훨씬 뛰어납니다.

지난 수십 년동안, 머신비전 시스템은 제조된 제품에서 결함, 오염, 기능상 결점, 기타 이상 현상을 감지하는 검사를 수행하도록

컴퓨터를 트레이닝했습니다. 머신비전은 속도, 정확성, 반복성을 제공하기 때문에 구조화된 장면의 양적 측정에서 탁월한 성능을

보입니다. 적합한 카메라 해상도와 광학 장치를 갖춘 머신비전 시스템은 너무 작아서 육안으로는 확인할 수 없는 물체의 세세한

부분까지 쉽게 검사할 수 있으며 검사 신뢰성은 높이면서 오류는 줄여줍니다.   

MLCC 검사

MLCC(다층 세라믹 커패시터)는 집적 회로 기판에 연결하기 위한 금속 단자가 있는 스택 커패시터 블록으로 구성됩니다. MLCC는

터미네이션 코팅의 균열, 블리스터, 칩, 오염 및 보이드를 포함하여 다양한 제조 결함으로 어려움을 겪습니다. 그리고 작고 대량으로

제공되고, 모양과 위치가 매우 다양한 미묘한 결함을 가질 수 있습니다. 자동 광학 검사(AOI) 기계는 모든 커패시터의 6면을 모두

검사 한 다음사람이 커패시터의 통계적 샘플링의 한면을 검사합니다. 전체 프로세스는 비용이 많이 들고 느리고 오류가 발생하기

쉬우며 프로레스 개선에 도움이 될 수 있는 유용한 데이터를 생성하지 않습니다.

Cognex Deep Learning의 분류 도구는 결정 및 결함이 있는 다양한 MLCC의 라벨이 지정된 이미지에 대해 학습됩니다. 분류도구는 가능한 광범위한 결함을 분류하는 방법과 일반 부품의 전체 변형을 학습합니다. 모든 MLCC 부품을 스캔하고 허용 범위를 벗어난

모든 부품을 즉시 표시하거나 이전에 결함으로 표시된 양호한 부품을 식별할 수 있습니다. 분류 된 결함은 시간 경과에 따른 부품

결함을 최소화하기 위해 업스트림 공정 제어에도 사용할 수 있습니다.  

인쇄 회로 기판 조립 확인

최종 조립 확인 과정에서 2D 및 3D 머신 비전 시스템은 전통적으로 PCB에서 LED, 마이크로 프로세서 및 기타 표면 실장 장치의

존재와 올바른 배치를 검사합니다. 잘못 배치되었거나 누락 된 구성 요소는 PCB의 성능과 수명에 영향을 미칠 수 있습니다. 그러나

미묘한 조명 대비, 원근 및 방향의 변화, 금속 표면의 눈부심 등으로 인한 외관의 약간의 변화는 자동 검사 시스템을 혼동시킬 수

있습니다. 이러한 검사를 규칙 기반 알고리즘으로 프로그래밍하는 것은 시간이 많이 걸리고 오류가 발생하기 쉬우며 현장

엔지니어가 유지관리하기 어렵습니다. 인간 검사관은 이러한 구성 요소를 식별할 수 있지만 고속 처리 요구 사항을 충족할 수 없습니다.

Cognex Deep Learning은 PCB 조립을 검증하기 위해 사람의 검사에 필적하는 현장에서 유지 관리 할 수 있는 솔루션을 제공합니다.

이 도구는 크기, 모양 및 표면 기능을 기준으로 구성 요소의 구별되는 기능을 일반화하고 보드에서의 일반적인 위치뿐만 아니라

정상적인 모양을 학습합니다. 런타임 중에 도구는 보드의 모든 관련 영역을 분석하여 모양이 변하더라도 구성 요소를 식별하고

계산합니다. 그리고 검사는 구성 요소가 있는지 여부를 확인하고 보드가 올바르게 조립되었는지 여부를 알 수 있습니다.  

용접 이음매 검사

코그넥스 ViDi는 표면 텍스처가 복잡하여 기존 머신 비전 검사를 어렵게 만드는 피스톤 등의 중요 파워트레인 구성품이 온전한지

여부를 검사합니다. 피스톤으 용접 이음매는 변동이 심하므로 비정상 요소를 구별하기가 어렵습니다. 용접의 누락, 과도하거나

부족한 용접과 같은 특정 이상 요소는 선호되지 않는 반면 중첩 이음매 등은 선호되며 안전상의 이유로도 필요합니다. 어두운

이미지 영역때문에 검사는 더욱 복잡해집니다. 발생할 수 있는 수많은 결함 및 조명 조건을 감안했을 때, 딥 러닝 기반 분석은

기존 머신 비전 검사와 비교하여 간단하고 강력한 대안을 제시합니다.

코그넥스 ViDi를 사용하면 금속 피스톤 용접 이음매의 자동 분석이 단순해집니다. 엔지니어는 중첩 이음매를 비롯한 모든

용접 이상현상을 보이는 '불량' 이미지, 그리고 이상현상이 전혀 없는 '양호' 샘플에 대해 감독 모드의 레드-분석툴로 소프트웨어를

학습합니다. 이 경우 허용 가능하거나 거부 원인이 될 수 있는 이상현상을 비롯한 모든 이상현상이 결함으로 식별됩니다. 검사의

두 번째 부분에서는 엔지니어가 ViDi 그린-분류 툴을 사용하여 이음매 결함을 유형별로 분류합니다. 지도 학습모드에서 학습된

모델에 따라 소프트웨어는 구체적인 결함에 대한 정보를 추출하고 중첩 이음매를 각각의 클래스로 분리합니다. 레드 툴과

그린-분류 툴을 함께 사용할 경우 자동차 제조업체는 검사 시스템으로 모든 용접 이음매를 식별하고 중첩 이음매를 성공적으로

분류할 수 있다는 확신을 얻게 됩니다. 이러한 정보를 토대로 제조업체는 사용 가능한 중첩 이음매만 선택할 수 있습니다.  

에어백 검사

승객의 안전을 보장해야 하는 에어백은 엄격한 품질 기준이 요구됩니다.  자동차 제조업체는 안전에 중요한 모든 구성품을 수시로

확인하여 품질을 보장하고 보증 비용과 리콜을 줄여야 합니다. 이는 에어백의 경우에 특히 더 중요하며, 오작동으로 이어질 수 있는

구멍, 찢어짐과 이음매 및 박음질 문제를 검사해야 합니다. 이러한 유형의 품질 문제는 수동 검사 시 자주 투락되거나 감지하기

어려울 수 있습니다. 게다가 에어백의 복잡한 직물 표면 때문에 기존 머신 비전 시스템으로 프로그래밍하기도 쉽지 않습니다.

모든 결함을 명확하게 찾기가 너무 복잡하고 많은 시간이 소요되는 만큼 코그넥스 ViDi 제품은 '불량' 이미지에 대한 학습 없이 모든

이상 특징을 식별할 수 있는 간단한 솔루션을 제공합니다.

엔지니어는 비지도학습 모드의 ViDi 레드-분석 툴로 '정상' 에어백 이미지만으로 소프트웨어를 학습하여 에어백의 참조 모델을

구성합니다. 모델은 직조 패턴, 직물 특성과 색상을 비롯한 에어백 직물의 정상적인 모습을 학습합니다. 모델의 정상적인 모습에서

벗어나는 모든 특징은 이상 특징으로 구별됩니다. 따라서 코그넥스 ViDi는 구멍, 찢어짐과 비정상적인 박음질 패턴 등의 모든

이상현상을 일관성 있게 안정적으로 감지할 수 있습니다. 직물의 결함 영역을 빠르게 식별하고 보고하는데, 이 때 방대한 규모의

결함 라이브러리는 필요하지 않습니다.  

딥러닝 기술의 장점

공장자동화를 위해 설계된 새로운 세대의 딥러닝 기반 이미지 분석은 생산업체들이 자동화된 검사의 영역을 확대하는 새로운

검사 시스템을 개발할 수 있도록 합니다. Cognex Deep Learning는 실제 산업 이미지 분석에 최적화된, 바로 사용 가능한 딥러닝

기반 기술입니다.

딥러닝 기반 소프트웨어와는 다른 Cognex Deep Learning의 특성

- 전형적인 수 천 가지 다른 딥러능 소프트웨어와는 달리 적은 수의 학습 이미지만으로도 작업 가능

- 컴퓨터에 GPU 카드 하나만 있어도 작동 가능한 컴퓨팅 파워

- 머신 빌더 또는 시스템 통합 업체의 개입 없이 공장 현장에서 바로 유지 관리 및 재학습 가능

- 컬러 영상 및 열영상 포함, 거의 모든 문제를 인식하는 고해상도 이미지로 작업 

딥러닝 VS 머신 비전 및 인간 검사

머신비전은 속도, 정확도, 반복 가능성덕분에 구조화된 장면의 정량적 측정에서 우수한 능력을 보입니다. 올바른 카메라 해상도와

광학 장치를 중심으로 중심으로 구축된 머신 비전 시스템은 우수한 신뢰성과 낮은 에러로 사람의 눈으로 볼 수 없는 매우 작은

개체를 상세하고, 쉽게 검사할 수 있습니다. 생산 라인에서 머신 비전 시스템은 인간의 검사 능력보다 훨씬 뛰어난 수준으로, 분 당

수 백개에서 수 천개에 달하는 부품을 높은 신뢰도와 반복 기능으로 검사할 수 있습니다.

전통적인 머신 비전과 달리 인간은 미묘한 외형 및 기능이 상이한 결함을 구분할 수 있을 뿐만 아니라 인지되는 품질에 영향을 주는

부픔 외형상의 변화도 평가할 수 있습니다. 인간은 정보 처리 속도에 한계가 있지만 고유한 개념화와 일반화가 가능한 능력을

가지고 있습니다. 인간은 예제를 통해 학습에서 우수한 능력을 가지고 부품들 사이에서 약간의 비정상적인 부분이 있을 때에도

정말 중요한 부분이 부분이 무엇인지 구분할 수 있는 능력이있습니다. 이러한 특징 때문에 미묘한 결함과 예측할 수 없는 오류가

있는 복잡하고 비구조화된 장면의 정성적 해석이 필요한 많은 경우에 육안이 최선의 선택입니다.  

딥러닝 소프트웨어 작동 방식

딥러닝 소프트웨어는 마치 인간이 학습을 하는 것처럼 부품의 알려진 특징, 결함, 범주를 대표하는 레이블이 적용된 이미지

집합으로 학습을 합니다. 지도 학습 기간 중에는 시스템이 명백한 결함을 인지하도록 학습하고, 여러 형태로 발생하는 결함에

대해서 시스템은 비지도 모드에서 허용 가능한 결함이 있는 모습까지 포함해서 물체의 정상적인 모습을 학습시킵니다.

소프트웨어는 이러한 대표 이미지에 기초해서 참조 모델을 형성합니다. 이 과정은 지속적인 개선을 위한 반복적 프로세스로서 이

과정 동안 매개변수를 조정하고 모델이 원하는대로 작동하는지 결과를 검사합니다. 소프트웨어는 런타임 중에 새로운 이미지

집합에서 데이터를 추출하고 신경망은 부품의 부분별 구조를 분석하고 비정상적인 부분을 추출하며 분류합니다.